擦除码计算器 
参考硬件 重新部署 AI 工作负载：应对不断飙升的云成本的本地解决方案
随着 AI 工作负载导致云成本急剧上升，许多公司正在重新思考其方法。将选定的 AI 任务迁移回本地提供了一条实现可预测成本、改进性能和加强数据控制的途径。
阅读更多...
AI 数据栈中互操作性的架构师指南
互操作性是构建灵活、面向未来的 AI 数据栈的关键。由于专有系统限制了创新并导致成本上升，因此像 S3 兼容存储和多格式表系统这样的开放工具提供了扩展和适应的自由。
阅读更多...抢先看：MinIO 对象存储和 AI 调查
MinIO 最近与 User Evidence 合作，对 656 位 IT 领导者进行了调查，作为一项主要研究计划的一部分。结果非常有趣，突出了我们在企业中看到的巨大变化，包括向对象存储的迁移以及将对象存储用作组织 AI 计划的主要构建块的兴趣。我们将
阅读更多...使用 Amazon 的 S3 连接器为 PyTorch 和 MinIO 创建地图样式数据集
在深入研究 Amazon 的 S3 连接器 for PyTorch 之前，有必要介绍一下它旨在解决的问题。许多 AI 模型需要在无法放入内存的数据上进行训练。此外，许多为计算机视觉和生成式 AI 构建的真正有趣的模型使用的数据甚至无法放入随附的磁盘驱动器中
阅读更多...通往可扩展 AI 的更轻松路径：英特尔 Tiber 开发者云 + MinIO 对象存储
如今，组织在 AI 和数据管理方面面临的最大挑战之一是访问可靠的基础设施和计算资源。英特尔 Tiber 开发者云专为需要概念验证、实验、模型训练和服务部署环境的工程师而构建。与其他可能难以接近且复杂的云不同，英特尔 Tiber 开发者云简单易用
阅读更多...使用 Kafka 和 MinIO 的 AI 数据工作流
MinIO 企业对象存储是创建和执行复杂数据工作流的基础组件。此事件驱动功能的核心是使用 Kafka 的 MinIO 存储桶通知。
阅读更多...使用监控和警报来驯服 AI 野兽
在这篇文章中，我们将向您展示如何在 Web 浏览器中可视化集群指标，以及如何设置警报，以便当驱动器需要更换或驱动器空间不足时，我们可以收到警报。
阅读更多...招聘 AI 人才：为什么你的第一个招聘对象应该是数据工程师
要确保AI取得成功，首先要聘用数据工程师，而不是AI/ML专家。从我们的经验中学习，并了解为什么强大的数据基础（专注于对象存储、数据湖仓和优化管道）对于可扩展、高效的AI/ML工作负载至关重要。
阅读更多...AI数据的Git式版本控制
您肯定以前对代码进行过版本控制。但是您是否对数据进行过版本控制？您是否曾经希望与各个团队协作处理大型数据集，而无需提交大量数据？
阅读更多...开源还是闭源？AI的困境
本文最初发表于2024年7月29日的The New Stack。人工智能正处于软件行业一场完美风暴的中心，现在马克·扎克伯格呼吁开源AI。三种强大的观点正在围绕如何控制AI而发生碰撞：1. 所有AI都应开源以实现共享和透明度。2. 保持AI闭源并
阅读更多...使用Splunk探索您的AI数据基础设施
在这篇文章中，我们解释了如何使用Splunk的高级日志分析来帮助了解MinIO Enterprise对象存储和托管数据的性能。
阅读更多...MinIO DataPod：艾字节级存储的参考架构
现代企业由其数据定义自身。这需要一个用于AI/ML的数据基础设施，以及一个作为现代数据湖基础的数据基础设施，能够支持商业智能、数据分析和数据科学。无论他们是否落后、刚刚起步还是使用AI来获取高级见解，情况都是如此。在可预见的未来，这
阅读更多...解读Insight Partners 2024年企业技术现状报告
Insight Partners团队刚刚发布了他们2024年的企业技术现状报告。这份60多页的报告内容丰富，我们从中挑选出一些对我们的受众来说应该很有趣的内容——坦率地说，其中有很多有趣的东西。我将把调查方法留给您自行了解，但是
阅读更多...使用MinIO、Langchain和Ray Data构建分布式嵌入子系统
嵌入子系统是实现检索增强生成所需的四个子系统之一。它将您的自定义语料库转换为可搜索语义含义的向量数据库。其他子系统包括用于创建自定义语料库的数据管道、用于查询向量数据库以向用户查询添加更多上下文信息的检索器，以及最后，
阅读更多...使用SVE将ARM引入MinIO的AI数据基础设施
MinIO 性能如此优异的原因之一在于，我们完成了一些其他人不愿或无法完成的细致工作。从SIMD加速到AVX-512优化，我们都已完成了艰苦的工作。ARM CPU架构的最新发展，特别是可扩展矢量扩展（SVE），为我们提供了实现显着性能和效率提升的机会
阅读更多...使用Snorkel和MinIO实现数据中心AI
在当今行业中，关于大型语言模型及其编码器、解码器、多头注意力层以及数十亿（很快将达到数万亿）个参数的讨论层出不穷，这很容易让人相信良好的AI仅仅是模型设计的结果。不幸的是，事实并非如此。良好的AI需要的不仅仅是一个设计良好的模型。它还需要正确构建的训练
阅读更多...架构师指南：机器学习运维（MLOps）
MLOps（机器学习运维）是一组实践和工具，旨在解决构建模型并将其投入生产的工程师的特定需求。一些组织从几个自制工具开始，这些工具在每次实验后对数据集进行版本控制，并在每次训练时期后对模型进行检查点。另一方面，许多组织选择
阅读更多...迁移到AI就绪基础设施：将Hitachi Content Platform迁移到MinIO
使用HCP到MinIO工具将Hitachi Content Platform（HCP）迁移到MinIO。鉴于MinIO提供了针对AI优化的现代、可扩展、高性能存储，迁移变得轻而易举。
阅读更多...获得您的RAG权利，使用MinIO
在本博文中，我们将演示如何使用MinIO基于商品硬件构建基于检索增强生成（RAG）的聊天应用程序。
阅读更多...AI构建于对象存储之上的真正原因
tl;dr: 在这篇文章中，我们将探讨AI工作负载依赖于高性能对象存储的四个技术原因。1. 非结构化数据无限制 在当前的机器学习范式中，性能和能力随着计算能力的扩展而扩展，这实际上是数据集大小和模型大小的代理（神经语言模型的缩放定律，Kaplan 等人）。超过
阅读更多...